AREX Feed Article
Artificial Analysis 发布 AA-Robotics v0.1 机械臂评测：GPT-6 Astra 69 分居首，模型仍比人类慢约 100 倍
北京时间 10 月 15 日早间（UTC 时间 10 月 14 日 22:37），独立 AI 评测机构 在官方 X 账号与官网同步发布 AA-Robotics v0.1。这是一份研究预览版评测基准，公告第一句是「欢迎来到具身 AI 的时代」：把前沿语言模型放进编码 agent（智能体）框架，直接控制一台 6 轴机械臂——5 个关节加 1 个夹爪——测试它们在物理世界中的理解、规划与行动，首批公开 8 项零样本桌面任务的成绩。GPT-6 Astra 以 69 分排第一，GPT-6.1 Sol 65 分，Gemini 4 Argon 55 分，Claude Opus 5.5 49 分，Claude Fable 5.1 46 分。
分数之外是差距：五款模型平均约 30 分钟完成一项桌面任务，人类基线平均 20 秒，按官方口径慢约 100 倍；成本端，最便宜的 GPT-6.1 Sol 每任务 1.93 美元，最贵的 GPT-6 Astra 要 16.36 美元。Artificial Analysis 在公告里写明，这类模型今天「太慢、太贵，远不适于任何生产用途」。
榜单背后：GPT 系跑在 Codex，Claude 系跑在 Claude Code
给出精确到小数点的均分：GPT-6 Astra 69.4，GPT-6.1 Sol 64.6，Gemini 4 Argon 55.3，Claude Opus 5.5 48.8，Claude Fable 5.1 46.3，与公告中的整数口径一致。跑分环境也写明了：GPT 系模型运行在 Codex 里，Claude 系运行在 Claude Code 里，Gemini 4 Argon 运行在 Antigravity 里，全部以 high effort 设置运行。
八项成绩拆开看，梯度立刻具体。五款模型都满分完成了「按下红色按钮」和「把鳄鱼玩具放进矩形」；把四块积木收进盒子再盖好盖子，则五款模型都只拿到 40 分。分差集中在后面几项：「倒饮料」上，榜单第二名的 GPT-6.1 Sol 得了 0 分，GPT-6 Astra 满分；「搭最高的塔」里 Astra 拿 71 分，GPT-6.1 Sol 与 Claude Fable 5.1 得 0 分；「测量盒子」一项无人通过，只有 GPT-6.1 Sol 和 Claude Opus 5.5 各拿 17 分。
八项桌面任务：从按下按钮到量出 2 毫米以内的纸盒
任务取材日常动作，按官网的分类考察三种能力：控制与灵巧（precise grasping，精确抓取与搬移物体）、空间推理（物体之间如何相互作用）、适应性（面对意外时的反应）。八项任务的通过标准各有硬指标：按钮要被按到闪灯；倒出的饮料要全部进杯、不洒不碎；「写 hello world」要求马克笔字迹清晰可读且落在黑框内；「搭最高的塔」要求塔能独立立住，且达到可达到的最大高度；「测量盒子」要求长、宽、高每一项都量到误差 2 毫米以内。
评分规则同样朴素：模型提交尝试后，最终状态按任务的通过标准判定，通过得 100 分，未完成按进度给部分分，所有尝试均为零样本。
一台 Hiwonder NexArm、四个摄像头、一个 HTTP API
官方对机制的很简短。模型在隔离容器里运行，拿到的信息只有三条：怎么通过一个简单 HTTP API 连上机械臂、这台臂是哪台——一台 Hiwonder NexArm，没有更多规格——以及怎么把一次尝试标记为完成。场景通过四个摄像头呈现：三个架在桌子四周，一个装在腕部；模型在容器里写代码、跑代码，规划动作并发送指令。
这套装置背后的判断，AA 在官网文章里写得很直接：2026 年年初以来，前沿语言模型控制机械臂的能力进步巨大，他们由此认为机器人学的未来大概率会包含强通用 agent，因此即便前沿语言模型还不适合独立承担生产级机器人应用，跟踪它们在机器人任务上的进展也会很重要。
差距细账：21 分钟才出手，70% 花在输入
时间账分布并不均匀。五款模型里四款平均每任务 30 分钟上下，Gemini 4 Argon 拖到 52 分钟。极值更悬殊：GPT-6 Astra 只用 2.2 分钟就按下了红色按钮；Claude Fable 5.1 光是理解场景和规划就花了约 10 分钟才做出第一个动作；「放鳄鱼」任务上，GPT-6.1 Sol 5 分钟宣告完成，Claude Opus 5.5 用了 45 分钟，相差 9 倍；出手最慢的也是 Gemini 4 Argon，平均先花 21 分钟观察和推理，接近其他模型的两倍。
成本账里，大头在输入：机械臂和场景对模型都是新的，要处理四个摄像头喂进来的大量视觉信息，70% 的开销落在上下文上。模型之间差得更远——GPT-6 Astra 的成本是 GPT-6.1 Sol 的 8 倍多，换来的分数只多 4 分。人类一侧，AA 按美国私营非农雇员平均时薪 37.81 美元（劳工统计局 2026 年 9 月初步数据）折算：20 秒一项任务约合 0.21 美元，最划算的 GPT-6.1 Sol 成本约为人类的 10 倍，GPT-6 Astra 按同一口径折算约为 78 倍。官方推文把结论概括为「最好的前沿模型比人类慢约 100 倍、贵约 10 倍」，而官网细账注明，「约贵 10 倍」对应的口径是最划算的模型，并非最贵的 GPT-6 Astra。
通过之后仍在修补：模型还难以判断「任务已经完成」
官网文章记录了一个反复出现的模式：模型把大量时间花在校准机械臂和理解场景上，直到做出第一个动作；此后大部分时间用于规划，真正的臂部动作反而短促而精确，看摄像头和记笔记只占小头。更麻烦的是收尾——模型常常在已经达到通过状态之后继续修补。GPT-6.1 Sol 在约 17 分钟时搭出了达标的高塔，随后把任务做砸。
AA 把判断留在了文章里：模型将如何学会在物理空间中推理「任务已经完成」，仍有待观察。同一份公告对差距的走向另有一句判断——「我们预计这会很快改变」。